tailieunhanh - Báo cáo khoa học: "Temporal information processing of a new language: fast porting with minimal resources"

We describe the semi-automatic adaptation of a TimeML annotated corpus from English to Portuguese, a language for which TimeML annotated data was not available yet. In order to validate this adaptation, we use the obtained data to replicate some results in the literature that used the original English data. The fact that comparable results are obtained indicates that our approach can be used successfully to rapidly create semantically annotated resources for new languages. | Temporal information processing of a new language fast porting with minimal resources Francisco Costa and Antonio Branco Universidade de Lisboa Abstract We describe the semi-automatic adaptation of a TimeML annotated corpus from English to Portuguese a language for which TimeML annotated data was not available yet. In order to validate this adaptation we use the obtained data to replicate some results in the literature that used the original English data. The fact that comparable results are obtained indicates that our approach can be used successfully to rapidly create semantically annotated resources for new languages. 1 Introduction Temporal information processing is a topic of natural language processing boosted by recent evaluation campaigns like TERN2004 1 TempEval-1 Verhagen et al. 2007 and the forthcoming TempEval-22 Pustejovsky and Verhagen 2009 . For instance in the TempEval-1 competition three tasks were proposed a identifying the temporal relation such as overlap before or after holding between events and temporal entities such as dates times and temporal durations denoted by expressions . temporal expressions occurring in the same sentence b identifying the temporal relation holding between events expressed in a document and its creation time c identifying the temporal relation between the main events expressed by two adjacent sentences. Supervised machine learning approaches are pervasive in the tasks of temporal information processing. Even when the best performing systems in these competitions are symbolic there are machine learning solutions with results close to their performance. In TempEval-1 where there were statistical and rule-based systems almost 1http 2 http . org tempeval2 all systems achieved quite similar results. In the TERN2004 competition aimed at identifying and normalizing temporal expressions a symbolic system performed best but since then machine learning solutions such as Ahn et al. 2007 have .

• Báo cáo khoa học
• Temporal information processing of a new language
• fast porting
• minimal resources
• báo cáo khoa học
• báo cáo ngôn ngữ
• ngôn ngữ tự nhiên
• Bài giảng Xử lý ngôn ngữ tự nhiên
• Xử lý ngôn ngữ tự nhiên
• Kỹ thuật lập trình
• Mô hình ngôn ngữ
• Mô hình n gram
• Dịch máy
• Phương pháp dịch máy
• Hiểu ngôn ngữ
• Phân loại tin tự động
• Tạo chí tin học
• Điều khiển học
• Truy vấn ngôn ngữ tự nhiên
• Phép dịch truy vấn ngôn ngữ tự nhiên
• Truy vấn SQL
• Văn phạm ngữ nghĩa
• Xử lý nhập nhằng ngữ nghĩa
• Xử lý ngữ nghĩa
• Phân tích ngữ nghĩa
• Biểu diễn vị từ
• Thuộc tính về sự kiện
• Thuộc tính về sự kiện
• Xử lý ngôn ngữ
• Natural Language Processing
• Ngôn ngữ lập trình
• Nhập nhằng cấu trúc
• Tri thức về ngôn ngữ
• Mô hình ngôn ngữ Google Book N grams
• Mô hình ngôn ngữ KenLM
• Phương pháp làm mịn
• Bài toán PTCP
• Phân tích cú pháp
• Cấu trúc ngữ pháp
• Phân tích cú pháp xác suất
• CKY kết hợp xác suất
• Văn phạm phi ngữ cảnh xác suất
• Hình thái học
• Gán nhãn từ loại
• Ngôn ngữ tự nhiên trong dịch máy
• Hệ thống dịch máy
• Phương pháp xây dựng bảng từ
• Tác từ
• Conditional random fields
• Nhận dạng thực thể có tên
• Đối tượng vật lý trừu tượng
• Phân lớp văn bản
• Biểu diễn nhị phân
• Ma trận từ văn bản
• Wolfram Alpha
• Trích rút thông tin
• Phương pháp Snowball